Post on 22-Sep-2020
“Deep Learning”. Aplicaciones en
Patología
Marcial García Rojo. Patólogo. Cádiz.
Gloria Bueno. VISILAB Group. Universidad de Castilla-La Mancha
Para qué necesitamos análisis de imagen en
Patología?
Reducir la discrepancia inter/intraobservador (HER2)
Mejorar la objetividad y claridad de nuestros informes
Mejoras en la eficiencia (“más y mejor”)
Control de calidad (de técnicas, de áreas revisadas,…)
Abordar nuevos flujos de trabajo: análisis supervisado o
totalmente automatizado.
Análisis de imagen “clásico”
Preparación digital
Escáneres
Métodos de análisis de imagen
Preprocesado
Filtrado
Realzado (ej. eliminar esquinas oscuras)
Análisis Procesado de color
Segmentación
Detección de área de interés (ROI)
Análisis morfológico (ej. watershed)
Registro de imágenes
Alineamiento de secciones seriadas (reconstrucción 3D)
Reconocimiento de patrones – “Machine Learning”
Análisis CADx (Computer Aided Detection and Classification)
Ejemplos de técnicas: Preprocesado
Dominio espacial:
Ecualización de Histograma
Filtrado
Filtrado espacial no lineal (mediana, mínimo).
Útil para eliminar ruido de fondo
Aritméticos. Separar canales (FISH: DAPI, …)
Procesado de color
Normalización
Reconocimiento de patrones
Métodos tradicionales: parámetros seleccionados
manualmente
SVM
Random Forest
Adaboost
………
Redes neurales convolucionales: “Deep Learning”
Conceptos básicos
Algoritmos de aprendizaje: “Clasificadores”
Métodos para extracción de parámetros
Comparación de resultados
ImageNet, hasta 2012 usaba técnicas
manuales para extraer parámetros.
Tasa de error: 25%
Krizhevsky, Sutskever y Hinton,
“ImageNet Classification with Deep
Convolutional Neural networks”
(2012): Tasa de error de 15%
Otros [Simonyan14, He15]: 5-7% Error
Introducción a Deep Learning
Hoy día, las principales empresas en Internet y las instituciones
de investigación más prestigiosas utilizan deep learning para
desarrollar sus productos y servicios más innovadores
Deep Learning se basa en redes
“neuronales”
Son algoritmos con múltiples capas
Propagan los datos a través de las diferentes capas
Los datos se transforman en cada capa
Red neuronal como clasificador
Entrenamiento de red neuronal
Aprende valores por los parámetros (para cada capa)
Se utiliza un método llamado “propagación hacia atrás”
(método repetitivo)
Una función de coste (o pérdida) mi dela diferencia entre
la predicción y el resultado corregido
Para imágenes complejas se requiere entrenar con un
gran número de imágenes (numerosos parámetros en
numerosas posiciones diferentes). Para representar esto
→ REDES NEURONALES CONVOLUCIONALES
Qué son las redes neuronales
convolucionales o Deep Learning
Son redes con 3 tipos de capas:
Capa convolucional
Capa de reducción o pooling (reducir nº parámetros a los más
comunes)
Capa clasificadora totalmente conectada que ofrece el
resultado
En la práctica, supone una diferencia
Método tradicional de machine learning
Software disponible
El más popular es CAFFE (de Berkeley)
http://caffe.berkeleyvision.org/
Puede usarse : desde línea de comandos, Matlab o Python
Adorable! Let's classify it!
Deep Learning en Inmunohistoquímica
Whole Slide Images
(WSI) 68x68 patches
Determine the % of
patches per class
Heterogenous Tumour
From Class 3 to Class
0
Max % and % > 10
45 %
5%
35 %
15 %
Score the
entire WSI
Class 3
Estudio de correlación
Ground Truth Path_1 Path_2 Path_3 Algort.1 Algort.2 Algort.
DL
3 3 3 3 3 3 3
Case
Number
20
Estudio de correlación
Ground Truth Path_1 Path_2 Path_3 Algort.1 Algort.2 Algort.
DL
1 1 1 2 0 1 1
Case
Number
56
Podemos usar DL para segmentar imágenes
Se entrena en píxeles:
# de salidas = # de píxeles
La función de pérdida se define para la segmentación real (groundtruth).
Ejemplo: Buscar imágenes con cáncer
Segmentación de imágenes con cáncer
132 pacientes. Imágenes 10.000 x 10.000 píxeles →
parches de 200 x 200 píxeles con superposición (9.801
parches en cada imagen). 4.500 imágenes para
entrenamiento y 4.500 para test. Tras 4,6 horas….
CNN 97.30% correcto
Revisión de la literatura
Sensibilidad 79.60%, Especificidad: 88.86% Proc. of SPIE Vol. 9041, 2014
a Universidad Nacional de Colombia, Bogotá, Colombia
Melanoma
Endometrio
https://drive.google.com/file/d/0B1T58bZ5vYa-QlR0QlJTa2dPWVk/view
The clinical use claims describe for the Aperio digital pathology products in the information supplied have not been cleared
or approved by the U.S. FDA or are not available in the United States.
Conclusiones
Es posible realizar de forma fiable análisis de imagen automatizado en imágenes histopatológicas mayor objetividad
Existen herramientas muy útiles. El reto es explorar estas nuevas tecnologías en patología digital de forma eficiente para procesar y modelar la enorme heterogeneidad que se extrae de los tejidos.
Es necesaria la labor de patólogos realizando miles de anotaciones para validar estas herramientas
¿Preguntas?
marcial@cim.es